JP6748244B2 - 自動運転車に用いられる学習に基づく速度計画装置 - Google Patents

Description

本願は主に自動運転車を動作させることに関する。より具体的に、本願は、潜在的な障害物の存在下で自動運転車（ＡＤＶ）をナビゲートするための速度計画に関する。

速度計画は、ＡＤＶによって選択されたルートにおいて、一つ以上の障害物に関して自動運転車（ＡＤＶ）をナビゲートするときに重要である。従来技術において、速度計画方法は、動的計画法（ｄｙｎａｍｉｃ ｐｒｏｇｒａｍｍｉｎｇ）又は二次計画法（ｑｕａｄｒａｔｉｃ ｐｒｏｇｒａｍｍｉｎｇ）を使用してＡＤＶの速度を最適化する。従来技術の方法は、計算コストが高く、しかも人間の運転行動に匹敵するのが困難である。

本願は、自動運転車をナビゲートするための速度計画方法を提供し、前記方法は、前記自動運転車が自動運転モードで辿る経路上の、前記自動運転車の一つ以上の障害物に基づいてセルのグリッドを生成するステップであって、前記セルのグリッドは前記経路を含む領域を表し、前記セルのグリッドのうちの前記一つ以上の障害物と重ね合うグリッドセルは第１の値に設定され、他のすべてのグリッドセルは第２の値に設定される、ステップと、前記セルのグリッドから特徴ベクトルＦ’を生成するステップと、前記特徴ベクトルＦ’及び速度モデルＷ _{ＭＯＤＥＬ} を使用して、前記自動運転モードで前記経路に沿って前記自動運転車をナビゲートするための初期速度ｖ _０ を決定するステップと、前記自動運転モードで前記経路を前記初期速度ｖ _０ で通過するように前記自動運転車をナビゲートするステップと、を含む。

本願の実施形態によれば、前記セルのグリッドは、前記経路のステーション−タイム（Ｓ−Ｔ）のグラフを含み、前記セルのグリッドのサイズはＫ×Ｐであり、前記特徴ベクトルＦ’の長さはＫ×Ｐである。

本願の実施形態によれば、前記第１の値は１であり、前記第２の値は０である。

本願の実施形態によれば、前記初期速度ｖ _０ を決定するステップは、特徴ベクトルＦ’ ^Ｔ （Ｆ’の転置）と速度モデルＷ _{ＭＯＤＥＬ} の点乗積（ｄｏｔ ｐｒｏｄｕｃｔ）を計算するステップを含む。

本願の実施形態によれば、リモートサーバから前記速度モデルＷ _{ＭＯＤＥＬ} を受信し、且つ、特徴ベクトルＦと、人間の運転する自動運転車の複数の運転記録のそれぞれからの初期経路速度とを使用して前記速度モデルＷ _{ＭＯＤＥＬ} を訓練し、ここで、前記特徴ベクトルＦ及び前記初期経路速度が前記運転記録によって異なることができる。

本願の実施形態によれば、前記方法は、前記特徴ベクトルＦ’に最も密接に対応する特徴ベクトルＦ _{ＭＯＤＥＬ} を複数の特徴ベクトルから選択し、選択された特徴ベクトルＦ _{ＭＯＤＥＬ} に対応する速度モデルＷ _{ＭＯＤＥＬ} を決定するステップを更に含む。

本願は、実行可能命令でプログラムされた非一時的コンピュータ可読媒体を提供し、前記実行可能命令がプロセッサシステムによって実行されるとき、自動運転車での速度計画のための動作を実行し、前記動作は、前記自動運転車が自動運転モードで辿る経路上の、前記自動運転車の一つ以上の障害物に基づいてセルのグリッドを生成するステップであって、前記セルのグリッドは前記経路を含む領域を表し、前記セルのグリッドのうちの前記一つ以上の障害物と重ね合うグリッドセルは第１の値に設定され、他のすべてのグリッドセルは第２の値に設定される、ステップと、前記セルのグリッドから特徴ベクトルＦ’を生成するステップと、前記特徴ベクトルＦ’及び速度モデルＷ _{ＭＯＤＥＬ} を使用して、前記自動運転モードで前記経路に沿って前記自動運転車をナビゲートするための初期速度ｖ _０ を決定するステップと、前記自動運転モードで前記経路を前記初期速度ｖ _０ で通過するように前記自動運転車をナビゲートするステップと、を含む。

本願は、少なくとも一つのハードウェアプロセッサを有する処理システムを備える速度計画システムを提供し、前記処理システムは、実行可能命令でプログラムされたメモリに接続され、前記実行可能命令が前記処理システムによって実行されるとき、自動運転車での速度計画のための動作を実行し、前記動作は、前記自動運転車が自動運転モードで辿る経路上の、前記自動運転車の一つ以上の障害物に基づいてセルのグリッドを生成するステップであって、前記セルのグリッドは前記経路を含む領域を表し、前記セルのグリッドのうちの前記一つ以上の障害物と重ね合うグリッドセルは第１の値に設定され、他のすべてのグリッドセルは第２の値に設定される、ステップと、前記セルのグリッドから特徴ベクトルＦ’を生成するステップと、前記特徴ベクトルＦ’及び速度モデルＷ _{ＭＯＤＥＬ} を使用して、前記自動運転モードで前記経路に沿って前記自動運転車をナビゲートするための初期速度ｖ _０ を決定するステップと、前記自動運転モードで前記経路を前記初期速度ｖ _０ で通過するように前記自動運転車をナビゲートするステップと、を含む。

本願は、速度モデルＷ _{ＭＯＤＥＬ} を決定するコンピュータ実施方法を提供し、前記方法は、人間の運転する自動運転車の複数の運転記録からＮ個の運転記録を選択するステップであって、前記Ｎ個の記録のそれぞれは、特徴ベクトルＦと、初期速度ｖ _０ とを含み、前記初期速度ｖ _０ は、前記自動運転車の走行経路の開始点における速度を表し、前記特徴ベクトルＦは、前記自動運転車が経路を通過するときに、前記自動運転車に対する一つ以上の障害物の少なくとも一部を表すステップと、前記特徴ベクトルＦと、選択されたＮ個の記録のそれぞれからの初期速度ｖ _０ とを用いて速度モデルＷ _{ＭＯＤＥＬ} を訓練するステップと、自動運転車の走行区間をナビゲートするときに前記自動運転車の速度計画効率を向上するために、自動運転モードで前記自動運転車によって使用されるための前記速度モデルＷ _{ＭＯＤＥＬ} を用いて少なくとも一つの自動運転車のロジックを更新するステップと、を含む。

本願の実施形態によれば、前記速度モデルＷ _{ＭＯＤＥＬ} を訓練するステップは、総和Σ _i＝１ ^Ｎ （Ｆ _ｉ ^Ｔ Ｗ _{ＭＯＤＥＬ} −ｖ _ｉ ） ^２ を最小化するＷ _{ＭＯＤＥＬ} を決定するステップを含み、式中、Ｆ _ｉ ^Ｔ は、Ｆ _ｉ の転置、Ｆ _ｉ は、選択されたｉ番目の特徴ベクトルであり、ｖ _ｉ は、前記特徴ベクトルＦ _ｉ で表される前記一つ以上の障害物に基づいて、前記自動運転車の人間の運転手によって運転される経路の開始点におけるｉ番目の初期速度ｖ _０ である。

本願の実施形態によれば、特徴ベクトルＦ _{ＭＯＤＥＬ} を前記速度モデルＷ _{ＭＯＤＥＬ} と関連付けることを更に含み、ここで、前記特徴ベクトルＦ _{ＭＯＤＥＬ} は、前記Ｎ個の運転記録における特徴ベクトルＦと同一まである。

本願は、図面の各図において限定的ではなく例示的な形態で示され、図面における同じ符号が類似の素子を示す。

一実施形態に係る、自動運転車（ＡＤＶ）に用いられる学習に基づく速度計画装置を実現するためのネットワークシステムを示すブロック図である。

一実施形態に係る、自動運転車（ＡＤＶ）に用いられる学習に基づく速度計画装置を実現するための自動運転車の例を示すブロック図である。

一実施形態に係る、自動運転車（ＡＤＶ）においてＡＤＶに用いられる学習に基づく速度計画装置を実現するための感知及び計画システムの例を示すブロック図である。

一実施形態に係る、自動運転車（ＡＤＶ）に用いられる学習に基づく速度計画装置を実現するための、人間の運転手によって経路に沿った複数の障害物に基づいてＡＤＶ経路区間を通るようにナビゲートされるＡＤＶ経路の例を示す図である。

一実施形態に係る、自動運転車（ＡＤＶ）に用いられる学習に基づく速度計画装置を実現するための方法を示すブロック図である。

一実施形態に係る、自動運転車（ＡＤＶ）に用いられる学習に基づく速度計画装置を実現するためにＡＤＶに人間の運転を記録する方法を示すブロック図である。

一実施形態に係る、自動運転車（ＡＤＶ）に用いられる学習に基づく速度計画装置を実現するために、リモートサーバによってＡＤＶの人間運転データから速度モデルを訓練することを示すブロック図である。

一実施形態に係る、自動運転車（ＡＤＶ）に用いられる学習に基づく速度計画装置を実現することによってＡＤＶのナビゲーションを向上する方法を示すブロック図である。

一実施形態に係るデータ処理システムを示すブロック図である。

以下、説明の詳細を参照しながら本願の様々な実施形態及び態様を説明し、かつ添付図面には様々な実施形態が示される。下記の説明及び図面は、本願を説明するためのものであり、本願を限定するものとして解釈すべきではない。本願の様々な実施形態を全面的に理解するために、いくつかの特定の詳細を説明する。ところが、いくつかの場合には、本願の実施形態に対する簡潔的な説明を提供するために、周知又は従来技術の詳細について説明していない。

本明細書において、「一実施形態」又は「実施形態」とは、当該実施形態を参照しながら説明された特定の特徴、構造又は特性が本願の少なくとも一実施形態に含まれてもよいと意味する。「一実施形態において」という語句は、本明細書の全体において同一の実施形態を指すとは限らない。

いくつかの実施形態によれば、一つ以上の障害物及びナビゲーションルート区間（「経路」という）に基づいて、人間の運転手によって運転されるＡＤＶから初期速度データを収集する。ＡＤＶは、人間運転モードに設定されている。人間運転モードでは、人間がＡＤＶを制御できるようにＡＤＶの制御システムがバイパスされる。他のＡＤＶロジックは、有効で動作可能な状態を保持する。経路は、ＡＤＶの計画モジュールによって確定される。経路に沿う一つ以上の障害物は、ＡＤＶの感知モジュールによって確定される。ステーション−タイム（Ｓ−Ｔ）のグラフと、経路と障害物の少なくとも一部を含むセルのＫ×Ｐグリッドとを生成する。障害物と重ね合うセルを第１の値（例えば、１）に設定する。他のセルを第２の値（例えば、０）に設定する。セルのグリッドを長さＫ×Ｐの特徴ベクトルＦに変換する。ＡＤＶは、経路の開始点（グリッドセル（０，０））で記録された、人間の運転手によって選択された初期速度ｖ_０を記録する。初期速度ｖ_０及び特徴ベクトルＦは、リモートサーバへ送信するための運転記録として記録される。実施形態では、運転記録をリアルタイム又はほぼリアルタイムでリモートサーバに送信する。実施形態において、運転記録は、後でリモートサーバに送信するためにＡＤＶに記憶されることができる。

実施形態では、一つ以上の速度モデルを機械学習するための方法がリモートサーバ上で実施される。リモートサーバは、人間運転モードで人間の運転手によって運転される複数のＡＤＶからの複数の運転記録を受信し記憶する。各運転記録は、ナビゲーションルートの一部（「経路」）に沿ったＡＤＶに対する一つ以上の障害物を表す特徴ベクトルＦと、経路の第１の点で人間の運転手によって選択された初期速度ｖ_０とを含む。特徴ベクトルＦは、経路と、経路上の一つ以上の障害物のうちの少なくとも一部とを含むセルのＫ×Ｐグリッドを表す。リモートサーバは、複数の運転記録から複数（Ｎ個）の運転記録を選択し、機械学習によって初期速度モデルＷ_{ＭＯＤＥＬ}を訓練することができる。リモートサーバは、速度モデルＷ_{ＭＯＤＥＬ}を一つ以上のＡＤＶに送信できる。Ｗ_{ＭＯＤＥＬ}は、速度モデルベクトルとして表すことができる。

別の実施形態では、ＡＤＶは、リモートサーバから速度モデルＷ_{ＭＯＤＥＬ}を受信することができる。自動運転モードにおいて、ＡＤＶは、経路に沿った一つ以上の障害物に基づいて、ＡＤＶがナビゲートすべき経路を決定することができる。ＡＤＶは、障害物をセルのＫ×Ｐグリッドにマッピングすることができ、それぞれのグリッドセルは、特定の値を有する。実施形態では、グリッドセルが障害物と重ね合う場合、ＡＤＶはグリッドセル値を１に設定することができる。それ以外の場合、グリッドセルを０に設定する。次に、ＡＤＶは、グリッドセルからＫ×Ｐの長さの特徴ベクトルＦ’を生成することができる。実施形態において、ｖ_０は、Ｆ’転置（Ｆ’^Ｔ）とＷ_{ＭＯＤＥＬ}の点乗積から決定することができる。次に、ＡＤＶは、特徴ベクトルＦ’によって表される障害物に基づいて、経路の開始点で経路を速度ｖ_０で自動的にナビゲートし始めることができる。実施形態では、選択的に、初期加速度ａ_０を決定するためにＷ_{ＭＯＤＥＬ}を訓練することができる。経路をナビゲートするための初期加速度ａ_０は、Ｆ’転置（Ｆ’^Ｔ）とＷ_{ＭＯＤＥＬ}の点乗積から決定することができる。

図１は、一実施形態に係る、自動運転車（ＡＤＶ）に用いられる学習に基づく速度計画装置を実現するためのネットワークシステムを示すブロック図である。図１に示すように、ネットワーク構成１００には、ネットワーク１０２を介して一つ以上のサーバ１０３〜１０４に通信可能に接続される自動運転車１０１が備えられる。一つの自動運転車が示されたが、複数の自動運転車がネットワーク１０２を介して互いに接続され、及び／又はサーバ１０３〜１０４に接続可能である。ネットワーク１０２は、任意のタイプのネットワークであってもよく、例えば、有線又は無線のローカルエリアネットワーク（ＬＡＮ）、インターネットなどのワイドエリアネットワーク（ＷＡＮ）、セルラーネットワーク、衛星ネットワーク、又はこれらの組み合わせが挙げられる。サーバ１０３〜１０４は、任意のタイプのサーバ又はサーバクラスタであってもよく、例えば、ネットワーク又はクラウドサーバ、アプリケーションサーバ、バックエンドサーバ、又はこれらの組み合わせが挙げられる。サーバ１０３〜１０４は、データ解析サーバ、コンテンツサーバ、交通情報サーバ、地図及び興味点（ＭＰＯＩ）サーバ又は位置サーバなどであってもよい。

自動運転車とは、自動運転モードで動作するように構成可能な車両を指し、前記自動運転モードにおいて、車両が運転手からの入力が非常に少ないか又は全くない場合に環境を通過するようにナビゲートされる。このような自動運転車は、センサシステムを備えてもよい。前記センサシステムは、車両の走行環境に関する情報を検出するように配置される一つ以上のセンサを備える。前記車両及びその関連コントローラは、検出された情報を使用して前記環境を通過するようにナビゲートする。自動運転車１０１は、手動モード、完全自動運転モード、又は部分自動運転モードで走行することができる。

一実施形態において、自動運転車１０１は、感知及び計画システム１１０、車両制御システム１１１、無線通信システム１１２、ユーザインターフェースシステム１１３、及びセンサシステム１１５を含むが、これらに限定されない。自動運転車１０１には、通常の車両に備えられているいくつかの一般的な構成要素、例えばエンジン、車輪、ハンドル、変速機などが更に備えられてもよい。前記構成要素は、車両制御システム１１１及び／又は感知及び計画システム１１０により複数種の通信信号及び／又はコマンドを使用して制御可能である。当該複数種の通信信号及び／又はコマンドは、例えば、加速信号又はコマンド、減速信号又はコマンド、ステアリング信号又はコマンド、ブレーキ信号又はコマンドなどである。

構成要素１１０〜１１５は、インターコネクタ、バス、ネットワーク又はこれらの組み合わせを介して互いに通信可能に接続されることができる。例えば、構成要素１１０〜１１５は、コントローラローカルエリアネットワーク（ＣＡＮ）バスを介して互いに通信可能に接続されることができる。ＣＡＮバスは、マイクロコントローラ及び装置がホストコンピュータのないアプリケーションにおいて互いに通信することを可能にする車両バス基準として設計される。それは、もともと自動車内の多重電気配線のために設計されたメッセージに基づくプロトコルであるが、他の多くの環境にも用いられる。

ここで、図２を参照し、一実施形態において、センサシステム１１５は、一つ以上のカメラ２１１、全地球測位システム（ＧＰＳ）ユニット２１２、慣性計測ユニット（ＩＭＵ）２１３、レーダユニット２１４並びに光検出及び測距（ＬＩＤＡＲ）ユニット２１５を含むが、これらに限定されない。ＧＰＳシステム２１２は、自動運転車の位置に関する情報を提供するように動作可能な送受信機を含んでもよい。ＩＭＵユニット２１３は、慣性加速度に基づいて自動運転車の位置及び方位変化を感知することができる。レーダユニット２１４は、無線信号を利用して自動運転車のローカル環境におけるオブジェクトを感知するシステムを表してもよい。いくつかの実施形態において、オブジェクトを感知することだけでなく、レーダユニット２１４は、更にオブジェクトの速度及び／又は進行方向を感知することができる。ＬＩＤＡＲユニット２１５は、自動運転車の所在環境におけるオブジェクトをレーザで感知することができる。他のシステム構成要素に加えて、ＬＩＤＡＲユニット２１５は、更に一つ以上のレーザ光源、レーザスキャナ及び一つ以上の検出器を含んでもよい。カメラ２１１は、自動運転車の周囲環境の画像を取得するための一つ以上の装置を含んでもよい。カメラ２１１は、スチルカメラ及び／又はビデオカメラであってもよい。カメラ２１１は、赤外線カメラを含んでもよい。カメラは、例えば、回転及び／又は傾斜のプラットフォームに取り付けることによって、機械的に移動可能であってもよい。

センサシステム１１５には、他のセンサ、例えばソナーセンサ、赤外線センサ、ステアリングセンサ、スロットルセンサ、ブレーキセンサ及びオーディオセンサ（例えば、マイクロフォン）が含まれてもよい。オーディオセンサは、自動運転車の周囲の環境から音声を取得するように配置されてもよい。ステアリングセンサは、ステアリングホイール、車両の車輪又はこれらの組み合わせの操舵角を感知するように配置されてもよい。スロットルセンサ及びブレーキセンサはそれぞれ車両のスロットル位置及びブレーキ位置を感知する。ある場合に、スロットルセンサ及びブレーキセンサは集積型スロットル／ブレーキセンサとして統合されてもよい。

一実施形態において、車両制御システム１１１はステアリングユニット２０１、スロットルユニット２０２（加速ユニットともいう）及びブレーキユニット２０３を含むが、これらに限定されない。ステアリングユニット２０１は、車両の方向又は進行方向を調整するために用いられる。スロットルユニット２０２は、モータ又はエンジンの速度を制御するために用いられ、モータ又はエンジンの速度によって更に車両の速度及び加速度を制御する。ブレーキユニット２０３は、摩擦を提供することによって車両の車輪又はタイヤを減速させることで、車両を減速させる。なお、図２に示す構成要素は、ハードウェア、ソフトウェア、又はこれらの組み合わせで実現されることができる。以下に図３を参照して説明するように、制御システム１１１は、制御システム１１１の各制御の故障を検出するためのロジックを含むことができる。

図１を再び参照して、無線通信システム１１２は、自動運転車１０１と、装置、センサ、他の車両などのような外部システムとの通信を可能にする。例えば、無線通信システム１１２は、直接又は通信ネットワークを介して一つ以上の装置と無線通信することができ、例えば、ネットワーク１０２を介してサーバ１０３〜１０４と通信することができる。無線通信システム１１２は、任意のセルラー通信ネットワーク又は無線ローカルエリアネットワーク（ＷＬＡＮ）（例えばＷｉＦｉ（登録商標））を使用して他の構成要素又はシステムと通信することができる。無線通信システム１１２は、例えば赤外線リンク、ブルートゥース（登録商標）などを使用して、装置（例えば、乗客のモバイルデバイス、表示装置、車両１０１内のスピーカ）と直接通信することができる。ユーザインターフェースシステム１１３は、例えば、キーボード、タッチスクリーン表示装置、マイクロホン、及びスピーカなどを含む、車両１０１内に実現された周辺装置の部分であってもよい。

自動運転車１０１の機能のうちの一部又は全部は、特に自動運転モードで動作する場合に、感知及び計画システム１１０により制御され、又は管理されることができる。感知及び計画システム１１０は、センサシステム１１５、制御システム１１１、無線通信システム１１２及び／又はユーザインターフェースシステム１１３から情報を受信し、受信された情報を処理し、出発地から目的地までのルート又は経路を計画した後に、計画及び制御情報に基づいて車両１０１を運転するように、必要なハードウェア（例えば、プロセッサ、メモリ、記憶デバイス）並びにソフトウェア（例えば、オペレーティングシステム、計画及びルーティングプログラム）を含む。あるいは、感知及び計画システム１１０は車両制御システム１１１と一体に集積されてもよい。

例えば、乗客であるユーザは、例えばユーザインターフェースを介して旅程の出発位置及び目的地を指定することができる。感知及び計画システム１１０は旅程関連データを取得する。例えば、感知及び計画システム１１０は、ＭＰＯＩサーバから位置及びルート情報を取得することができる。前記ＭＰＯＩサーバは、サーバ１０３〜１０４の一部であってもよい。位置サーバは位置サービスを提供し、ＭＰＯＩサーバは地図サービス及び特定位置のＰＯＩを提供する。あるいは、このような位置及びＭＰＯＩ情報は、感知及び計画システム１１０の永続性記憶装置にローカルキャッシュされてもよい。

自動運転車１０１がルートに沿って移動している場合に、感知及び計画システム１１０は交通情報システム又はサーバ（ＴＩＳ）からリアルタイム交通情報を取得することもできる。注意すべきことは、サーバ１０３〜１０４は第三者エンティティにより動作されてもよい。あるいは、サーバ１０３〜１０４の機能は、感知及び計画システム１１０と一体に集積されてもよい。感知及び計画システム１１０は、リアルタイム交通情報、ＭＰＯＩ情報及び位置情報、並びにセンサシステム１１５により検出又は感知されたリアルタイムローカル環境データ（例えば、障害物、オブジェクト、付近の車両）に基づいて、所定の目的地まで安全的且つ効率的に到達するために、最適経路を計画し、且つ計画された経路に従って例えば制御システム１１１を介して車両１０１を運転することができる。最適経路は、複数の区間を含むことができ、それぞれの区間は、感知及び計画システム１１０によって当該区間の複数の候補経路曲線から該区間の最適経路曲線を決定することによって最適化することができ、それぞれの候補経路曲線は感知及び計画システム１１０によって生成される。

サーバ１０３は、様々なクライアントに対してデータ解析サービスを実行するデータ解析システムであってもよい。一実施形態において、データ解析システム１０３は、データコレクタ１２１と、機械学習エンジン１２２とを含む。データコレクタ１２１は、様々な車両（自動運転車又は人間の運転手によって運転される一般車両）から運転統計データ１２３を収集する。運転統計データ１２３には、発行された運転コマンド（例えば、スロットルコマンド、ブレーキコマンド及びステアリングコマンド）と、異なる時点で車両のセンサにより捕捉された車両の応答（例えば、速度、加速度、減速度、方向）とを示す情報が含まれる。運転統計データ１２３には更に、異なる時点における運転環境を記述する情報、例えば、ルート（出発地位置及び目的地位置を含む）、ＭＰＯＩ、道路状況、天気状況などが含まれてもよい。

実施形態では、運転統計データには、ＡＤＶが人間運転モードにあるときの運転記録が含まれてもよい。人間運転モードは、人間の運転手がＡＤＶを制御できるようにＡＤＶ制御システムロジックをバイパスする。実施形態では、運転記録は、機械学習エンジン１２２を使用して人間の運転判断を学習するために使用可能である。人間の運転手がナビゲートすべきＡＤＶ走行ルート区間に対してナビゲーション経路を決定することができる。経路には一つ以上の障害物があってもよい。経路と障害物の少なくとも一部とを含むセルのグリッドを生成することができる。障害物と重ね合うセルのグリッドは１に設定でき、他のすべてのセルのグリッドは０に設定される。セルのグリッドは、特徴ベクトルＦとして表すことができる。ＡＤＶ１０１が人間の制御下で経路をナビゲートし始めると、特徴ベクトルＦ及びＡＤＶ初期速度ｖ_０、及び／又は初期加速度ａ_０を運転記録として記憶し、リモートサーバ（例えば、機械学習アルゴリズム１２４を有し、機械学習エンジン１２２を使用するサーバ１０３）に送信することができる。

機械学習エンジン１２２は、運転統計データ１２３に基づいて、自動運転車の運転手に警報を発する警報システムに用いられるマルチレベル警報アルゴリズムを含む様々な目的のために、ルールセット、アルゴリズム及び／又は予測モデル１２４を生成するか又は訓練する。例えば、機械学習エンジン１２２は、複数のＡＤＶ運転統計データ１２３を使用して速度モデルＷ_{ＭＯＤＥＬ}１２４を訓練（トレーニング）することができる。ＡＤＶが特徴ベクトルＦを有する経路をナビゲートし始めるときに、訓練された速度モデルＷ_{ＭＯＤＥＬ}１２４は、初期速度選択ｖ_０又は初期加速度ａ_０を向上するために、一つ以上のＡＤＶにダウンロードすることができる。

図３は、一実施形態に係る、自動運転車（ＡＤＶ）においてＡＤＶに用いられる学習に基づく速度計画装置を実現するための感知及び計画システムの例を示すブロック図である。システム３００は、図１の自動運転車１０１の一部として実現されてもよく、感知及び計画システム１１０、制御システム１１１及びセンサシステム１１５を含むが、これらに限定されない。図３に示すように、感知及び計画システム１１０には、位置決めモジュール３０１、感知モジュール３０２、予測モジュール３０３、決定モジュール３０４、計画モジュール３０５、制御モジュール３０６、ルーティングモジュール３０７、速度データコレクタ３０８及び速度計画モジュール３０９が含まれるが、これらに限定されない。位置決めモジュール３０１は、地図及びルートデータ３１１とルーティングモジュール３０７とを含んでもよい。

モジュール３０１〜３０９のうちの一部又は全部は、ソフトウェア、ハードウェア又はこれらの組み合わせで実現されてもよい。例えば、これらのモジュールは、永続性記憶装置３５２にインストールされ、メモリ３５１にロードされ、一つ以上のプロセッサ（図示せず）によって実行されることができる。なお、これらのモジュールの一部又は全部は、図２の車両制御システム１１１のモジュールの一部又は全部と通信可能に接続されるか、又は一体化されてもよい。モジュール３０１〜３０９のいくつかは、集積モジュールとして一体化されることができる。

位置決めモジュール３０１は、自動運転車３００の現在位置を（例えば、ＧＰＳユニット２１２により）決定し、ユーザの旅程又はルートに関する如何なるデータを管理する。位置決めモジュール３０１は、地図及びルートモジュールともいう。ユーザは、例えばユーザインターフェースを経由して登録して旅程の出発地位置及び目的地を指定することができる。位置決めモジュール３０１は、自動運転車３００における地図及びルート情報３１１のような他の構成要素と通信して旅程に関するデータを取得する。例えば、位置決めモジュール３０１は、位置サーバ並びに地図及びＰＯＩ（ＭＰＯＩ）サーバから位置及びルート情報を取得することができる。位置サーバは位置サービスを提供し、ＭＰＯＩサーバは地図サービス及びいくつかの位置のＰＯＩを提供し、これらは地図及びルート情報３１１の一部としてキャッシュされることができる。自動運転車３００がルートに沿って移動するとき、位置決めモジュール３０１は交通情報システム又はサーバからリアルタイム交通情報を得ることもできる。

感知モジュール３０２は、センサシステム１１５により提供されたセンサデータと、位置決めモジュール３０１により取得された測位情報とに基づいて、周囲環境への感知を決定する。感知情報は、一般の運転手が運転手により運転されている車両の周囲において感知すべきものを示すことができる。感知は、例えばオブジェクトの形式で、車線配置（例えば、直進車線又はカーブ車線）、信号機信号、他の車両の相対位置、歩行者、建築物、横断歩道又は他の交通関連標識（例えば、止まれ標識、ゆずれ標識）などを含むことができる。

感知モジュール３０２は、一つ以上のカメラにより取り込まれた画像を処理し解析して自動運転車の環境におけるオブジェクト及び／又は特徴を認識するために、コンピュータビジョンシステム又はコンピュータビジョンシステムの機能を含むことができる。前記オブジェクトは、交通信号、道路の境界、他の車両、歩行者及び／又は障害物などを含むことができる。コンピュータビジョンシステムは、オブジェクト認識アルゴリズム、ビデオトラッキング及び他のコンピュータビジョン技術を使用することができる。いくつかの実施形態では、コンピュータビジョンシステムは、環境地図を描画し、オブジェクトを追跡し、及びオブジェクトの速度などを推定することができる。感知モジュール３０２は、レーダ及び／又はＬＩＤＡＲのような他のセンサにより提供される他のセンサデータに基づいてオブジェクトを検出することもできる。

各オブジェクトについて、予測モジュール３０３は、この場合における当該オブジェクトの挙動を予測する。地図／ルート情報３１１と交通ルール３１２のセットを考慮した上で、当該時点で運転環境を感知する感知データに基づいて予測を実行する。例えば、オブジェクトが反対方向に沿った車両で、且つ現在の運転環境に交差点が含まれている場合に、予測モジュール３０３は、車両が直進するか又はカーブ走行するかを予測する。感知データが、交差点に信号機がないことを示す場合、予測モジュール３０３は、交差点に入る前に車両が完全に停止する必要があると予測する可能性がある。感知データが、車両が現在左折専用車線又は右折専用車線にあることを示す場合、予測モジュール３０３は、車両がそれぞれ左折又は右折する可能性がより高いと予測することができる。

各オブジェクトについて、決定モジュール３０４はオブジェクトをどのように対応するかを決定する。例えば、特定のオブジェクト（例えば、交差のルートにおける他の車両）及びオブジェクトを記述するメタデータ（例えば、速度、方向、操舵角）について、決定モジュール３０４は前記オブジェクトと遇うときに如何に対応するか（例えば、追い越し、道譲り、停止、追い抜き）を決定する。決定モジュール３０４は、交通ルール又は運転ルール３１２のようなルールセットに基づいてそのような決定を行うことができ、前記ルールセットは永続性記憶装置３５２に記憶することができる。

感知されたオブジェクトのそれぞれに対する決定、及び経路の走行区間に対する複数の候補経路曲線から決定された最小経路曲線に基づいて、計画モジュール３０５は、ルーティングモジュール３０７によって提供された基準線をベースとして、自動運転車に対して経路又はルート並びに運転パラメータ（例えば、距離、速度及び／又は操舵角）を計画する。つまり、特定のオブジェクトについて、決定モジュール３０４は当該オブジェクトに対して何をするかを決定し、計画モジュール３０５はどのようにするかを決定する。例えば、所定のオブジェクトについて、決定モジュール３０４は前記オブジェクトを追い抜くかを決定することができ、計画モジュール３０５は前記オブジェクトを左側又は右側から追い抜くかを決定することができる。計画及び制御データは、計画モジュール３０５により生成され、車両３００が次の移動周期（例えば、次のルート／経路区間）にはどのように移動するかを記述する情報を含む。例えば、計画及び制御データは、車両３００が３０マイル／時間（ｍｐｈ）の速度で１０メートル移動し、その後に２５ｍｐｈの速度で右側の車線に変更するように示すことができる。

制御モジュール３０６は、計画及び制御データに基づいて、計画及び制御データにより限定されたルート又は経路に基づいて、適当なコマンド又は信号を車両制御システム１１１に送信することにより、自動運転車を制御及び運転するようにする。前記計画及び制御データは、経路又はルートに沿って異なる時点で適切な車両配置又は運転パラメータ（例えば、スロットル、ブレーキ、及びステアリングコマンド）を使用して、車両をルート又は経路の第１の点から第２の点まで運転するのに十分な情報を含む。

一実施形態において、計画段階は、コマンドサイクルともいう複数の計画周期（例えば、時間間隔が１００ミリ秒（ｍｓ）ごと）で実行される。計画周期又はコマンドサイクルのそれぞれについて、計画データ及び制御データに基づいて一つ以上の制御コマンドを発する。すなわち、１００ｍｓごとに、計画モジュール３０５は、次のルート区間又は経路区間（例えば、目標位置及びＡＤＶが目標位置に到着するのに必要な時間を含む）を計画する。あるいは、計画モジュール３０５は、具体的な速度、方向、及び／又は操舵角などを更に指定することができる。一実施形態において、計画モジュール３０５は、次の所定期間（例えば、５秒）のルート区間又は経路区間を計画する。各計画周期について、計画モジュール３０５は、前の周期において計画された目標位置に基づいて現在の周期（例えば、次の５秒）における目標位置を計画する。そして、制御モジュール３０６は、現在の周期における計画データ及び制御データに基づいて、一つ以上の制御コマンド（例えば、スロットルコマンド、ブレーキコマンド、ステアリング制御コマンド）を生成する。制御モジュール３０６は、人間の運転手がＡＤＶを制御しながらＡＤＶの他のロジックが動作し続けることができるようにバイパスされることができる。

なお、決定モジュール３０４及び計画モジュール３０５は、集積モジュールとして一体化されてもよい。決定モジュール３０４／計画モジュール３０５は、自動運転車の走行経路を決定するために、ナビゲーションシステム又はナビゲーションシステムの機能を具備することができる。例えば、ナビゲーションシステムは、自動運転車が下記の経路に沿って移動することを実現するための一連の速度及び進行方向を決定することができる。前記経路では、自動運転車が最終的な目的地に通じる走行車線ベースの経路に沿って進行すると共に、感知された障害物を実質的に回避できる。目的地は、ユーザインターフェースシステム１１３を経由して行われたユーザ入力に基づいて設定されることができる。ナビゲーションシステムは自動運転車が走行していると同時に走行経路を動的に更新することができる。ナビゲーションシステムは、自動運転車に用いられる走行経路を決定するように、ＧＰＳシステム及び一つ以上の地図からのデータをマージすることができる。

決定モジュール３０４／計画モジュール３０５は、自動運転車の環境における潜在的な障害物を認識、評価、回避又は他の方法で追い抜くための衝突防止システム又は衝突防止システムの機能を更に含むことができる。例えば、衝突防止システムは、制御システム１１１の一つ以上のサブシステムを動作させることで、方向変更動作、カーブ走行動作、ブレーキ動作などを行うことによって、自動運転車のナビゲーション中の変更を実現することができる。衝突回避システムは、周囲の交通モード、道路状況などに基づいて実現可能な障害物回避動作を自動的に決定することができる。衝突回避システムは、他のセンサシステムにより自動運転車が方向変更して進入する隣接領域における車両、建築障害物などが検出された時に、ステアリング動作を行わないように配置されることができる。衝突回避システムは、使用可能で且つ自動運転車の乗員の安全性を最大化させる動作を自動的に選択することができる。衝突回避システムは、自動運転車の客室内に最小値の加速度を発生させると予測される回避動作を選択することができる。

ルーティングモジュール３０７は、出発地から目的地までの一つ以上のルート又は経路を提供するように構成される。ルーティングモジュール３０７は、出発地位置から目的地位置までの所与の（例えば、ユーザから受信された）旅程について、ルート及び地図情報３１１を取得し、出発地位置から目的地位置までのすべての可能なルート又は経路を決定する。ルーティングモジュール３０７は、決定された出発地位置から目的地位置までの各ルートに対して地形図の形で基準線を生成することができる。基準線とは、例えば他の車両、障碍物又は交通状況からの如何なる干渉を受けていない理想的なルート又は経路を指す。つまり、道路に他の車両、歩行者又は障害物がない場合、ＡＤＶは基準線に精確的に又は密接的に従うべきである。そして、地形図は、決定モジュール３０４及び／又は計画モジュール３０５に提供される。決定モジュール３０４及び／又は計画モジュール３０５は、他のモジュールにより提供された他のデータ（例えば位置決めモジュール３０１からの交通状況、感知モジュール３０２により感知された運転環境及び予測モジュール３０３により予測された交通状況）に基づいて、全ての走行可能なルートを調べて最適ルートの一つを選択及び補正する。ＡＤＶを制御するための実際の経路又はルートは、その時点における特定の運転環境に応じて、ルーティングモジュール３０７によって提供された基準線に近いか又は異なっていてもよい。全ての可能な経路を調べることは、可能な経路から選択された経路について、選択された経路区間を決定すること、及び選択された経路区間をナビゲートするための複数の候補経路曲線を決定することを含んでもよい。運転区間（又は「経路」）をナビゲートすることは、経路の出発地におけるＡＤＶの初期速度ｖ_０を決定することを含んでもよい。初期速度ｖ_０は、経路上の一つ以上の障害物に依存する可能性がある。初期速度ｖ_０に対する人間の意思決定をエミュレートするために、人間が人間運転モードで運転している間に収集された速度データは、機械学習を使用して一つ以上の速度モデルを訓練するように使用されることができる。

速度データコレクタ３０８は、特定の運転条件を運転記録に記録する。人間運転モードでは、ＡＤＶは一つ以上の障害物を有する経路に沿ってナビゲートすることができる。当該経路は、経路と一つ以上の障害物の少なくとも一部とを含む値のセルのグリッドを含むステーション−タイム（Ｓ−Ｔ）のグラフとして表すことができる。例えば、グリッドセルが障害物と重ね合う場合、グリッドセルの値を１に設定し、そうでなければグリッドセルを０に設定することによって、ＡＤＶに対する一つ以上の障害物をセルのグリッドに組み込むことができる。セルのグリッドは、特徴ベクトルＦとして表すことができる。ＡＤＶを人間運転モードに設定すると、人間の運転手は初期速度ｖ_０で経路での運転を開始することができる。速度データコレクタ３０８は、特徴ベクトルＦ及び初期速度ｖ_０を運転記録に記録することができる。速度データコレクタ３０８は、走行経路に沿った複数の経路のそれぞれについて運転記録を記録することができる。実施形態では、運転経路の各区間について特徴ベクトルＦ及び初期運転速度ｖ_０、及び／又は初期加速度ａ_０を複数回決定することができる。実施形態では、該経路を含むセルのグリッドを含む領域に障害物が出入りするなど、経路上の一つ以上の障害物の変化に応答して、新しい特徴ベクトルＦ及び初期速度ｖ_０及び／又は初期加速度ａ_０を記録することができる。記録された運転記録は、リアルタイム又はほぼリアルタイムでＡＤＶからリモートサーバに送信されることができる。実施形態において、記録された運転記録は、指定された時間に、又はＡＤＶが経路上の目的地に到着するなどのイベントの際に、バッチでリモートサーバに送信することができる。リモートサーバ（例えば、図１のサーバ１０３）は、自動運転モードのＡＤＶにおける速度計画を向上するために、後で一つ以上のＡＤＶにダウンロードするための速度モデルを訓練するために使用することができる。速度計画は、速度計画モジュール３０９によって実行することができる。

速度計画モジュール３０９は、リモートサーバ１０３から速度モデルＷ_{ＭＯＤＥＬ}を受信することができる。速度計画モジュール３０９は、特徴ベクトルＦ’で表されるＡＤＶへの一つ以上の障害物に基づいて、速度モデルＷ_{ＭＯＤＥＬ}を使用して自動運転モードで経路上のＡＤＶの走行を開始するための初期速度ｖ_０又は初期加速度ａ_０を決定する。速度計画モジュール３０９は、特徴ベクトルＦ’及び速度モデルＷ_{ＭＯＤＥＬ}を使用して経路上の走行を開始するための初期速度ｖ_０又は初期加速度ａ_０を決定することができる。実施形態において、初期速度ｖ_０又は初期加速度ａ_０は、Ｆ’転置（Ｆ’^Ｔ）とＷ_{ＭＯＤＥＬ}の点乗積を計算することによって決定することができる。

なお、以上に例示及び説明された構成要素の一部又は全ては、ソフトウェア、ハードウェア、又はこれらの組み合わせで実現されることができる。例えば、このような構成要素は、永続性記憶装置にインストールされるとともに記憶されたソフトウェアとして実現されてもよく、前記ソフトウェアは、本願にわたって記載されたプロセス又は動作を実施するように、プロセッサ（図示せず）でメモリにロードして実行されてもよい。あるいは、このような構成要素は、集積回路（例えば、特定用途向け集積回路又はＡＳＩＣ）、デジタルシグナルプロセッサ（ＤＳＰ）、又はフィールドプログラマブルゲートアレイ（ＦＰＧＡ）のような専用ハードウェアにプログラミング又は埋め込まれた実行可能なコードとして実現されてもよく、前記実行可能なコードはアプリケーションからの対応するドライバー及び／又はオペレーティングシステムを介してアクセスすることができる。さらに、このような構成要素は、ソフトウェア構成要素が一つ以上の特定のコマンドによってアクセス可能なコマンドセットの一部として、プロセッサ又はプロセッサコアにおける特定のハードウェアロジックとして実現されることができる。

図４は、一実施形態に係る、自動運転車（ＡＤＶ）に用いられる学習に基づく速度計画装置を実現するための、経路に沿った複数の障害物に基づいて、ＡＤＶ経路区間を通るようにナビゲートされるＡＤＶ経路の例を示す。図４では、第１の障害物４０１と第２の障害物４０２との間を通過する走行経路４１０が示されている。感知モジュール３０２によって障害物を感知し、予測モジュール３０３によって障害物の挙動を予測することで、障害物４０１及び４０２を決定することができる。障害物及び障害物の挙動に基づいて、計画モジュール３０５は、障害物４０１及び４０２の周りをナビゲートするための経路４１０を決定することができる。障害物は、経路と障害物４０１及び４０２の少なくとも一部とを含むセルのグリッドで表すことができる。障害物と重ね合うグリッドセルは１の値に設定し、残りのグリッドセルは０の値に設定することができる。グリッドは、Ｋ×Ｐセルのサイズであってもよい。セルのグリッドは、長さＫ×Ｐを有する特徴ベクトルＦとして表すことができる。

図４は、ＡＤＶが人間運転モードにある場合のデータ収集シナリオに適用でき、特徴ベクトルＦが生成され、人間の運転手がセルのグリッド上の点（０，０）からの経路の運転を開始するために初期速度ｖ_０を選択する。走行データ記録は速度データコレクタ３０８によって記録される。図４は、更にＡＤＶが自動運転モードにある場合の速度計画シナリオにも適用することができ、速度計画モジュール３０９は、特徴ベクトルＦ’及び速度モデルＷ_{ＭＯＤＥＬ}を使用して自動運転モードにおける経路４１０をナビゲートするための初期速度ｖ_０又は初期加速度ａ_０を決定することができる。

図５は、一実施形態に係る、自動運転車（ＡＤＶ）に用いられる学習に基づく速度計画装置を実現するための方法５００を示すフローチャートである。

動作５０５では、ＡＤＶ１０１を人間運転モードに設定することができる。人間運転モードにおいて、制御モジュール３０６は、人間の運転手がＡＤＶを制御しながらＡＤＶの他のロジックが動作し続けるようにバイパスされることができる。ＡＤＶ計画モジュール３０５は、人間の運転手がナビゲートすべき経路を生成することができる。感知モジュール３０２及び予測モジュール３０３は、経路に沿ってＡＤＶへの一つ以上の障害物を検出し、その障害物の挙動を予測することができる。ＡＤＶロジックは、経路と障害物の少なくとも一部とを含むセルのグリッドを生成できる。障害物と重ね合うグリッドセルは、１の値に設定することができる。残りのグリッドセルは０に設定することができる。セルのグリッドは、特徴ベクトルＦとして表すことができる。

動作５１０では、人間の運転手は初期速度ｖ_０で経路上でＡＤＶを運転し始める。速度データコレクタ３０８は、特徴ベクトル及び初期速度ｖ_０及び／又は初期加速度ａ_０を運転記録に記録することができる。動作５１５では、運転記録をリモートサーバに送信することができる。実施形態において、一つ以上の運転記録の送信は、リアルタイムでも、ほぼリアルタイムでもよく、又は後まで遅らせることもできる。動作５０５から動作５１５については、図６を参照しながら以下で更に詳細に説明する。

動作５２０において、リモートサーバは、複数の運転経路及び障害物に対して、複数のＡＤＶから受信された運転記録を検索することができ、各運転記録は、特徴ベクトルＦ及び初期速度ｖ_０及び／又は初期加速度ａ_０を含む。リモートサーバ（例えば、サーバ１０３）は、大量の特徴ベクトルＦ及び関連する初期速度ｖ_０に対して速度モデルの機械学習を実行することができる。以下、図７を参照しながら動作５２０を更に詳細に説明する。

動作５２５では、リモートサーバは、速度モデルＷ_{ＭＯＤＥＬ}を一つ以上のＡＤＶへ送信し、又は別な方法で速度モデルＷ_{ＭＯＤＥＬ}を一つ以上のＡＤＶにダウンロード可能にすることができる。特徴ベクトルＦ’を有するＡＤＶの新しい運転状況に対して、速度モデルＷ_{ＭＯＤＥＬ}及び特徴ベクトルＦ’を使用して、自動運転モードで経路上のＡＤＶをナビゲートし始めるための初期速度ｖ_０又は初期加速度ａ_０を決定することができる。

動作５３０では、自動運転モードで運転している間、ＡＤＶは、特徴ベクトルＦ’内の障害物に基づいて、経路をナビゲートするための初期速度ｖ_０を計算する。実施形態において、ｖ_０を計算することは、特徴ベクトルＦ’の転置（Ｆ’^Ｔ）とＷ_{ＭＯＤＥＬ}の点乗積を計算することを含む。以下、図８を参照し、動作５２５及び動作５３０を更に詳細に説明する。

図６は、一実施形態に係る、自動運転車（ＡＤＶ）に用いられる学習に基づく速度計画装置を実現するためにＡＤＶに人間の運転データを記録する方法６００を示すフローチャートである。動作６０５では、ＡＤＶを人間運転モードに設定する。人間運転モードでは、人間の運転手がステアリング、ブレーキ、及びスロットル制御などの制御機能を実行できるように、制御ユニット３０６がバイパスされる。ＡＤＶロジックの他のモジュールは動作可能な状態に保持される。

動作６１０では、計画モジュール３０５はナビゲーションのためのルートを計画し、ルーティングモジュール３０７はルートの一部を含む経路を提供することができる。感知モジュール３０２は、経路に沿った一つ以上の障害物を検出することができ、予測モジュール３０３は一つ以上の障害物の挙動を予測することができる。

動作６１５では、ＡＤＶは、一つ以上の障害物を、経路と一つ以上の障害物の少なくとも一部とを含むセルのＫ×Ｐグリッドにマッピングする。障害物と重ね合うグリッドセルは、１の値を持つことができ、それ以外の場合は０の値を持つことができる。

動作６２０では、ＡＤＶが障害物を通る経路をナビゲートし始めると、ＡＤＶ速度データコレクタ３０８は、人間の運転手によって選択された初期速度ｖ_０及び／又は初期加速度ａ_０を記録する。

動作６２５では、ＡＤＶロジックは、セルのグリッドを、Ｋ×Ｐのサイズを有する特徴ベクトルＦに変換することができ、特徴ベクトルＦを初期速度ｖ_０及び／又は初期加速度ａ_０に関連付けて運転記録に記憶することができる。

動作６３０では、ＡＤＶは、速度運転記録を、一つ以上の速度モデルＷ_{ＭＯＤＥＬ}の機械学習のためにリモートサーバに送信することができ、当該速度運転記録のそれぞれは、特徴ベクトルＦ並びに初期速度ｖ_０及び／又は初期加速度ａ_０を含む。

図７は、一実施形態に係る、自動運転車（ＡＤＶ）に用いられる学習に基づく速度計画モジュール３０９を実現するために、リモートサーバによってＡＤＶの人間運転データから速度モデルＷ_{ＭＯＤＥＬ}を訓練する方法７００を示すフローチャートである。速度モデルＷ_{ＭＯＤＥＬ}はベクトルとして表すことができる。Ｗ_{ＭＯＤＥＬ}という用語は、ベクトルとして表す速度モデルを含み、如何なる表現における速度モデルを意味するために使用される。

動作７０５において、サーバは、複数のＡＤＶの人間運転モードの期間中に生成されたＮ個のＡＤＶ運転記録を選択する。各運転記録は、特徴ベクトルＦ、並びに初期速度ｖ_０及び／又は初期加速度ａ_０を含むことができる。特徴ベクトルは、経路上のＡＤＶに対する一つ以上の障害物のマッピングを表す。人間の運転手は経路に沿って運転し始めるときに初期速度ｖ_０を選択する。実施形態において、運転記録の選択は、一組の特定の障害物に対して速度モデルＷ_{ＭＯＤＥＬ}を訓練するように、同一又は実質的に同一の特徴ベクトルＦを有する運転記録を選択することを含むことができる。このような実施形態は、一組の障害物が既知の困難な又は危険な運転状況をもたらす場合など、様々な状況下で使用可能である。このような場合、特定のＷ_{ＭＯＤＥＬ}と、Ｗ_{ＭＯＤＥＬ}が生成された代表的な対応するＦ_{ＭＯＤＥＬ}とを関連付けて記憶することができるので、ＡＤＶ特徴ベクトルＦ’がＦ_{ＭＯＤＥＬ}に対応するＡＤＶ運転状況において、Ｆ_{ＭＯＤＥＬ}に対応する特定のＷ_{ＭＯＤＥＬ}を決定することができる。動作７１０では、サーバは、選択された運転記録を使用して速度モデルＷ_{ＭＯＤＥＬ}を訓練する。速度モデルＷ_{ＭＯＤＥＬ}の訓練は、総和Σ_i＝１ ^Ｎ（Ｆ_ｉ ^ＴＷ_{ＭＯＤＥＬ}−ｖ_ｉ）^２を最小化するＷ_{ＭＯＤＥＬ}を決定することを含む。ここで、Ｆ_ｉ ^Ｔは、Ｆ_ｉの転置であり、Ｆ_ｉは、選択されたｉ番目の特徴ベクトルであり、ｖ_ｉは、特徴ベクトルＦ_ｉで表される一つ以上の障害物に基づいて、ＡＤＶの人間の運転手によって運転される経路の出発位置におけるｉ番目の初期速度ｖ_０である。動作７１５において、サーバは、自動運転モードでＡＤＶによって使用されるように長さＫ×Ｐのベクトルとして速度モデルＷ_{ＭＯＤＥＬ}を生成し、特徴ベクトルＦ’を有する経路を走行するための初期速度ｖ_０を決定する。動作７２０において、サーバは、自動運転モードでＡＤＶの経路をナビゲートするための速度計画で使用するための速度モデルＷ_{ＭＯＤＥＬ}を一つ以上のＡＤＶに送信する。

図８は、一実施形態に係る、自動運転車（ＡＤＶ）に用いられる学習に基づく速度計画装置を実現することによってＡＤＶのナビゲーションを向上する方法８００を示すフローチャートである。方法８００は、自動運転モードのＡＤＶによって実施される。動作８０５において、ＡＤＶはリモートサーバから速度モデルＷ_{ＭＯＤＥＬ}を受信する。Ｗ_{ＭＯＤＥＬ}は、各々が特徴ベクトル並びに初期速度ｖ_０及び／又は初期加速度ａ_０を含む複数の運転記録に基づいて、リモートサーバによって訓練される。

動作８１０において、ＡＤＶ感知及び計画モジュールは、ＡＤＶがナビゲートするためのルート区間である経路、及びルート区間（又は「経路」）に沿うＡＤＶへの一つ以上の障害物を決定することができる。動作８１５において、ＡＤＶロジックは、経路と障害物の少なくとも一部とを含むＫ×Ｐ個のセルのグリッドを生成することができる。障害物と重ね合うグリッドセルは１の値に設定することができ、他のグリッドセルは０の値に設定することができる。セルのグリッドは、障害物を表す特徴ベクトルＦ’に生成することができる。

動作８２５において、速度計画モジュール３０９は、特徴ベクトルＦ’及び速度モデルＷ_{ＭＯＤＥＬ}を使用して、経路をナビゲートし始めるための初期速度ｖ_０を計算する。初期速度ｖ_０は、Ｆ’の転置（Ｆ’^Ｔ）とＷ_{ＭＯＤＥＬ}の点乗積で計算される。動作８３０において、ＡＤＶは、自動運で特徴ベクトルＦ’を生成するためのセルのＫ×Ｐグリッドの点（０，０）から速度ｖ_０で経路をナビゲートし始める。

図９は、本願の一実施形態と共に使用可能なデータ処理システムの例を示すブロック図である。例えば、システム１５００は、図１の感知及び計画システム１１０、又はサーバ１０３〜１０４のいずれかのような、前記プロセス又は方法のいずれかを実行するデータ処理システムのいずれかを表すことができる。システム１５００は、いくつかの異なる構成要素を含むことができる。これらの構成要素は、集積回路（ＩＣ）、集積回路の一部、ディスクリート型電子デバイス、又は回路基板（例えば、コンピュータシステムのマザーボード又はアドインカード）に適するその他のモジュールとして実現されることができ、又は、他の形態でコンピュータシステムのシャーシ内に組み込まれた構成要素として実現されることができる。

なお、システム１５００は、コンピュータシステムのいくつかの構成要素の高レベルビューを示すことを意図している。しかしながら、理解すべきことは、特定の実施例において付加的構成要素が存在してもよく、また、その他の実施例において示された構成要素を異なる配置にすることが可能である。システム１５００は、デスクトップコンピュータ、ラップトップコンピュータ、タブレットコンピュータ、サーバ、携帯電話、メディアプレイヤー、パーソナルデジタルアシスタント（ＰＤＡ）、スマートウォッチ、パーソナルコミュニケーター、ゲーム装置、ネットワークルーター又はハブ、無線アクセスポイント（ＡＰ）又はリピーター、セット・トップボックス、又はこれらの組み合わせを表すことができる。さらに、単一の機械又はシステムのみが示されたが、「機械」又は「システム」という用語は、本明細書で説明されるいずれか一種以上の方法を実行するための、単独で又は共同で一つ（又は複数）のコマンドセットを実行する機械又はシステムの任意の組み合わせも含まれると解釈されるものとする。

一実施形態において、システム１５００は、バス又はインターコネクト１５１０を介して接続される、プロセッサ１５０１と、メモリ１５０３と、装置１５０５〜１５０８とを含む。プロセッサ１５０１は、単一のプロセッサコア又は複数のプロセッサコアが含まれる単一のプロセッサ又は複数のプロセッサを表すことができる。プロセッサ１５０１は、マイクロプロセッサ、中央処理装置（ＣＰＵ）などのような、一つ以上の汎用プロセッサを表すことができる。より具体的には、プロセッサ１５０１は、複雑コマンドセットコンピューティング（ＣＩＳＣ）マイクロプロセッサ、縮小コマンドセットコンピューティング（ＲＩＳＣ）マイクロプロセッサ、超長コマンド語（ＶＬＩＷ）マイクロプロセッサ、又はその他のコマンドセットを実行するプロセッサ、又はコマンドセットの組み合わせを実行するプロセッサであってもよい。プロセッサ１５０１は更に、例えば、特定用途向け集積回路（ＡＳＩＣ）、セルラー又はベースバンドプロセッサ、フィールドプログラマブルゲートアレイ（ＦＰＧＡ）、デジタルシグナルプロセッサ（ＤＳＰ）、ネットワークプロセッサ、グラフィックプロセッサ、通信プロセッサ、暗号化プロセッサ、コプロセッサ、組込みプロセッサ、又はコマンドを処理可能な任意の他のタイプのロジックのような、一つ以上の専用プロセッサであってもよい。

プロセッサ１５０１は、超低電圧プロセッサのような低電力マルチコアプロセッサソケットであってもよく、前記システムの様々な構成要素と通信するための主処理ユニット及び中央ハブとして機能することができる。このようなプロセッサは、システムオンチップ（ＳｏＣ）として実現されることができる。プロセッサ１５０１は、本明細書で説明される動作及びステップを実行するためのコマンドを実行するように構成される。システム１５００は、更に所望によるグラフィックサブシステム１５０４と通信するグラフィックインターフェースを含むことができ、グラフィックサブシステム１５０４は、表示コントローラ、グラフィックプロセッサ、及び／又は表示装置を含むことができる。

プロセッサ１５０１は、メモリ１５０３と通信することができ、メモリ１５０３は、一実施形態において、所定量のシステムメモリを提供するための複数のメモリ装置によって実現されることができる。メモリ１５０３は、例えば、ランダムアクセスメモリ（ＲＡＭ）、ダイナミックＲＡＭ（ＤＲＡＭ）、シンクロナスＤＲＡＭ（ＳＤＲＡＭ）、スタティックＲＡＭ（ＳＲＡＭ）、又はその他のタイプの記憶装置のような、一つ以上の揮発性記憶（又はメモリ）装置を含むことができる。メモリ１５０３は、プロセッサ１５０１又はその他の任意の装置により実行されるコマンドシーケンスを含む情報を記憶することができる。例えば、様々なオペレーティングシステム、デバイスドライバ、ファームウェア（例えば、ベーシックインプット／アウトプットシステム又はＢＩＯＳ）、及び／又はアプリケーションの実行可能なコード及び／又はデータは、メモリ１５０３にロードされ、プロセッサ１５０１により実行されることができる。オペレーティングシステムは、例えば、ロボットオペレーティングシステム（ＲＯＳ）、Ｍｉｃｒｏｓｏｆｔ（登録商標）社のＷｉｎｄｏｗｓ（登録商標）オペレーティングシステム、アップル社のＭａｃＯＳ（登録商標）／ｉＯＳ（登録商標）、Ｇｏｏｇｌｅ（登録商標）社のＡｎｄｒｏｉｄ（登録商標）、ＬＩＮＵＸ（登録商標）、ＵＮＩＸ（登録商標）、又はその他のリアルタイム若しくは組込みオペレーティングシステムのような、任意のタイプのオペレーティングシステムであってもよい。

システム１５００は、例えば、ネットワークインターフェース装置１５０５、所望による入力装置１５０６、及びその他の所望によるＩＯ装置１５０７を含む装置１５０５〜１５０８のようなＩＯ装置を更に含むことができる。ネットワークインターフェース装置１５０５は、無線送受信機及び／又はネットワークインターフェースカード（ＮＩＣ）を含むことができる。前記無線送受信機は、ＷｉＦｉ送受信機、赤外線送受信機、ブルートゥース送受信機、ＷｉＭａｘ送受信機、無線携帯電話送受信機、衛星送受信機（例えば、全地球測位システム（ＧＰＳ）送受信機）、又はその他の無線周波数（ＲＦ）送受信機、又はこれらの組み合わせであってもよい。ＮＩＣは、イーサネット（登録商標）カード（Ｅｔｈｅｒｎｅｔ（登録商標）ｃａｒｄ）であってもよい。

入力装置１５０６は、マウス、タッチパネル、タッチスクリーン（表示装置１５０４と統合されてもよい）、ポインター装置（例えば、スタイラス）、及び／又はキーボード（例えば、物理キーボード又はタッチスクリーンの一部として表示された仮想キーボード）を含むことができる。例えば、入力装置１５０６は、タッチスクリーンと接続するタッチスクリーンコントローラを含むことができる。タッチスクリーン及びタッチスクリーンコントローラは、例えば、様々なタッチ感応技術（コンデンサ、抵抗、赤外線、及び表面音波の技術を含むが、これらに限定されない）のいずれか、並びにその他の近接センサアレイ、又は、タッチスクリーンと接触する一つ以上の点を決定するためのその他の素子を用いて、それらの接触及び移動又は間欠を検出することができる。

ＩＯ装置１５０７は、音声装置を含むことができる。音声装置は、例えば、音声認識、音声複製、デジタル記録、及び／又は電話機能のような音声サポートの機能を促進するために、スピーカ及び／又はマイクロフォンを含んでもよい。その他のＩＯ装置１５０７は、ユニバーサルシリアルバス（ＵＳＢ）ポート、パラレルポート、シリアルポート、プリンタ、ネットワークインターフェース、バスブリッジ（例えば、ＰＣＩーＰＣＩブリッジ）、センサ（例えば、加速度計のようなモーションセンサ、ジャイロスコープ、磁力計、光センサ、コンパス、近接センサなど）、又はこれらの組み合わせを更に含むことができる。装置１５０７は、結像処理サブシステム（例えば、カメラ）を更に含むことができ、前記結像処理サブシステムは、写真及びビデオ断片の記録のようなカメラ機能を促進するための、電荷結合素子（ＣＣＤ）又は相補型金属酸化物半導体（ＣＭＯＳ）光学センサのような光学センサを含むことができる。特定のセンサは、センサハブ（図示せず）を介してインターコネクト１５１０に接続されることができ、キーボード又はサーマルセンサのようなその他の装置はシステム１５００の具体的な配置又は設計により、組込みコントローラ（図示せず）により制御されることができる。

データ、アプリケーション、一つ以上のオペレーティングシステムなどの情報の永続性記憶を提供するために、プロセッサ１５０１には、大容量記憶装置（図示せず）が接続されることもできる。様々な実施形態において、より薄くて軽量なシステム設計を可能にしながら、システムの応答性を向上するために、このような大容量記憶装置は、ソリッドステート装置（ＳＳＤ）によって実現されることができる。しかしながら、その他の実施形態において、大容量記憶装置は、主にハードディスクドライブ（ＨＤＤ）を使用して実現されることができ、より小さい容量のＳＳＤ記憶装置をＳＳＤキャッシュとして機能することで、停電イベントの間にコンテキスト状態及び他のそのような情報の不揮発性記憶を可能にし、それによりシステム動作が再開するときに通電を速く実現することができる。また、フラッシュデバイスは、例えば、シリアルペリフェラルインターフェース（ＳＰＩ）を介してプロセッサ１５０１に接続されることができる。このようなフラッシュデバイスは、前記システムのＢＩＯＳ及びその他のファームウェアを含むシステムソフトウェアの不揮発性記憶のために機能することができる。

記憶装置１５０８は、コンピュータアクセス可能な記憶媒体１５０９（機械可読記憶媒体又はコンピュータ可読記憶媒体ともいう）を含むことができ、前記コンピュータアクセス可能な記憶媒体１５０９には、本明細書で記載されたいずれか一種以上の方法又は機能を具体化する一つ以上のコマンドセット又はソフトウェア（例えば、モジュール、ユニット、及び／又はロジック１５２８）が記憶されている。処理モジュール／ユニット／ロジック１５２８は、例えば、計画モジュール３０５、制御モジュール３０６、及び／又は速度データコレクタ３０８、及び速度計画モジュール３０９のような、前記構成要素のいずれかを表すことができる。処理モジュール／ユニット／ロジック１５２８は、更に、データ処理システム１５００、メモリ１５０３、及びプロセッサ１５０１による実行中に、メモリ１５０３内及び／又はプロセッサ１５０１内に完全的に又は少なくとも部分的に存在してもよく、データ処理システム１５００、メモリ１５０３、及びプロセッサ１５０１も機械アクセス可能な記憶媒体を構成する。処理モジュール／ユニット／ロジック１５２８は、更に、ネットワークインターフェース装置１５０５を介して、ネットワークを経由して送受信されてもよい。

コンピュータ可読記憶媒体１５０９は、以上に説明されたいくつかのソフトウェア機能を永続的に記憶するために用いることができる。コンピュータ可読記憶媒体１５０９は、例示的な実施形態において単一の媒体として示されるが、「コンピュータ可読記憶媒体」という用語は、前記一つ以上のコマンドセットが記憶される単一の媒体又は複数の媒体（例えば、集中型又は分散型データベース、及び／又は関連するキャッシュとサーバ）を含むと解釈されるものとする。また、「コンピュータ可読記憶媒体」という用語は、コマンドセットを記憶又は符号化できる任意の媒体を含むと解釈されるものであり、前記コマンドセットは機械により実行され、本願のいずれか一種以上の方法を前記機械に実行させるためのものである。それゆえに、「コンピュータ可読記憶媒体」という用語は、ソリッドステートメモリ、光学媒体及び磁気媒体、又はその他の任意の非一時的な機械可読媒体を含むが、これらに限定されないと解釈されるものとする。

本明細書に記載の処理モジュール／ユニット／ロジック１５２８、構成要素及びその他の特徴は、ディスクリートハードウェア構成要素として実現されてもよく、又はＡＳＩＣＳ、ＦＰＧＡ、ＤＳＰ又は類似の装置のようなハードウェア構成要素の機能に統合されてもよい。更に、処理モジュール／ユニット／ロジック１５２８は、ハードウェア装置におけるファームウェア又は機能性回路として実現されてもよい。更に、処理モジュール／ユニット／ロジック１５２８は、ハードウェア装置とソフトウェア構成要素の任意の組み合わせで実現されてもよい。

なお、システム１５００は、データ処理システムの様々な構成要素を有するものとして示されているが、構成要素を相互接続する任意の特定のアーキテクチャ又は方式を表すことを意図するものではなく、そのような詳細は、本願の実施形態と密接な関係がない。また、より少ない構成要素又はより多くの構成要素を有するネットワークコンピュータ、ハンドヘルドコンピュータ、携帯電話、サーバ、及び／又はその他のデータ処理システムも、本願の実施形態と共に使用することができることを理解されたい。

前記具体的な説明の一部は、既に、コンピュータメモリにおけるデータビットに対する演算のアルゴリズムと記号表現で示される。これらのアルゴリズムの説明及び表現は、データ処理分野における当業者によって使用される、それらの作業実質を所属分野の他の当業者に最も効果的に伝達する方法である。本明細書では、一般的に、アルゴリズムは、所望の結果につながるセルフコンシステントシーケンスと考えられる。これらの動作は、物理量の物理的処置が必要なものである。

しかしながら、念頭に置くべきことは、これらの用語及び類似の用語の全ては、適切な物理量に関連付けられるものであり、これらの量を標識しやすくするためのものに過ぎない。以上の説明で他に明示的に記載されていない限り、本明細書の全体にわたって理解するべきことは、添付された特許請求の範囲に記載するもののような用語による説明とは、コンピュータシステム、又は類似の電子計算装置の動作又はプロセスを指し、前記コンピュータシステム又は電子計算装置は、コンピュータシステムのレジスタ及びメモリにおける物理（電子）量として示されるデータを制御するとともに、前記データをコンピュータシステムメモリ又はレジスタ又はこのようなその他の情報記憶装置、伝送又は表示装置において同様に物理量として示される別のデータに変換する。

本願の実施形態は、本明細書の動作を実行するための装置にも関する。このようなコンピュータプログラムは、非一時的なコンピュータ可読媒体に記憶される。機械可読媒体は、機械（例えば、コンピュータ）により読み取り可能な形式で情報を記憶するための任意のメカニズムを含む。例えば、機械可読（例えば、コンピュータ可読）媒体は、機械（例えば、コンピュータ）可読記憶媒体（例えば、読み出し専用メモリ（「ＲＯＭ」）、ランダムアクセスメモリ（「ＲＡＭ」）、磁気ディスク記憶媒体、光学記憶媒体、フラッシュメモリ装置）を含む。

上述した図面において説明されたプロセス又は方法は、ハードウェア（例えば、回路、専用ロジックなど）、ソフトウェア（例えば、非一時的なコンピュータ可読媒体に具現化されるもの）、又は両方の組み合わせを含む処理ロジックにより実行されることができる。前記プロセス又は方法は、以上で特定の順序に応じて説明されたが、前記動作の一部が異なる順序で実行されてもよいことを理解されたい。また、一部の動作は、順番ではなく並行して実行できる。

本願の実施形態は、いずれの特定のプログラミング言語を参照することなく記載されている。理解すべきことは、本明細書に記載の本願の実施形態の教示を実現するために、様々なプログラミング言語を使用することができる。

前記明細書において、本願の実施形態は、既にその具体的な例示的な実施形態を参照しながら記載された。明らかなように、添付された特許請求の範囲に記載された本願のより広い趣旨及び範囲を逸脱しない限り、本発明に対して様々な変更を行うことができる。それゆえに、本明細書及び図面は、限定的な意味でなく、例示的な意味で理解されるべきである。

Claims (23)

1. 自動運転車（ＡＤＶ）をナビゲートするための速度計画方法であって、
   前記自動運転車が自動運転モードで辿る経路上の、前記自動運転車の一つ以上の障害物に基づいてセルのグリッドを生成するステップであって、前記セルのグリッドは前記経路を含む領域を表し、前記セルのグリッドのうちの前記一つ以上の障害物と重ね合うグリッドセルは第１の値に設定され、他のすべてのグリッドセルは第２の値に設定される、ステップと、
   前記セルのグリッドから特徴ベクトルＦ’を生成するステップと、
   前記特徴ベクトルＦ’及び速度モデルＷ_{ＭＯＤＥＬ}を使用して、前記自動運転モードで前記経路に沿って前記自動運転車をナビゲートするための初期速度ｖ_０を決定するステップであって、前記初期速度ｖ _０ は、前記自動運転車が前記グリッドを通過し始める際に、その経路と前記グリッドとが交差する経路セグメントの開始点における走行速度を示すステップと、
   前記自動運転モードで前記経路を前記初期速度ｖ_０で通過するように前記自動運転車をナビゲートするステップと、を含む、
   自動運転車をナビゲートするための速度計画方法。
2. 前記セルのグリッドは、前記経路のステーション−タイム（Ｓ−Ｔ）のグラフを含み、前記セルのグリッドのサイズはＫ×Ｐであり、前記特徴ベクトルＦ’の長さはＫ×Ｐである、
   請求項１に記載の方法。
3. 前記第１の値は１であり、前記第２の値は０である、
   請求項１に記載の方法。
4. 前記初期速度ｖ_０を決定するステップは、特徴ベクトルＦ’^Ｔ（Ｆ’の転置）と速度モデルＷ_{ＭＯＤＥＬ}の点乗積（ｄｏｔ ｐｒｏｄｕｃｔ）を計算するステップを含む、
   請求項１に記載の方法。
5. 前記自動運転車はリモートサーバから前記速度モデルＷ_{ＭＯＤＥＬ}を受信し、ここで、前記速度モデルＷ _{ＭＯＤＥＬ} は、前記リモートサーバにより、特徴ベクトルＦと、人間の運転する自動運転車の複数の運転記録のそれぞれからの初期経路速度とを使用して訓練されたものであり、ここで、前記特徴ベクトルＦ及び前記初期経路速度が前記運転記録によって異なることができる、
   請求項１に記載の方法。
6. 前記特徴ベクトルＦ’に最も密接に対応する特徴ベクトルＦ_{ＭＯＤＥＬ}を複数の特徴ベクトルＦから選択し、選択された特徴ベクトルＦ_{ＭＯＤＥＬ}に対応する速度モデルＷ_{ＭＯＤＥＬ}を決定するステップを更に含む、
   請求項１に記載の方法。
7. 実行可能命令でプログラムされた非一時的コンピュータ可読媒体であって、前記実行可能命令がプロセッサシステムによって実行されるとき、自動運転車での速度計画のための動作を実行し、前記動作は、
   前記自動運転車が自動運転モードで辿る経路上の、前記自動運転車の一つ以上の障害物に基づいてセルのグリッドを生成するステップであって、前記セルのグリッドは前記経路を含む領域を表し、前記セルのグリッドのうちの前記一つ以上の障害物と重ね合うグリッドセルは第１の値に設定され、他のすべてのグリッドセルは第２の値に設定される、ステップと、
   前記セルのグリッドから特徴ベクトルＦ’を生成するステップと、
   前記特徴ベクトルＦ’及び速度モデルＷ_{ＭＯＤＥＬ}を使用して、前記自動運転モードで前記経路に沿って前記自動運転車をナビゲートするための初期速度ｖ_０を決定するステップであって、前記初期速度ｖ _０ は、前記自動運転車が前記グリッドを通過し始める際に、その経路と前記グリッドとが交差する経路セグメントの開始点における走行速度を示すステップと、
   前記自動運転モードで前記経路を前記初期速度ｖ_０で通過するように前記自動運転車をナビゲートするステップと、を含む、
   非一時的コンピュータ可読媒体。
8. 前記セルのグリッドは、前記経路のステーション−タイム（Ｓ−Ｔ）のグラフを含み、前記セルのグリッドのサイズはＫ×Ｐであり、前記特徴ベクトルＦ’の長さはＫ×Ｐである、
   請求項７に記載の媒体。
9. 前記第１の値は１であり、前記第２の値は０である、
   請求項７に記載の媒体。
10. 前記初期速度ｖ_０を決定するステップは、特徴ベクトルＦ’^Ｔ（Ｆ’の転置）と速度モデルＷ_{ＭＯＤＥＬ}の点乗積（ｄｏｔ ｐｒｏｄｕｃｔ）を計算するステップを含む、
    請求項７に記載の媒体。
11. 前記自動運転車はリモートサーバから前記速度モデルＷ_{ＭＯＤＥＬ}を受信し、ここで、前記速度モデルＷ _{ＭＯＤＥＬ} は、前記リモートサーバにより、特徴ベクトルＦと、人間の運転する自動運転車の複数の運転記録のそれぞれからの初期経路速度とを使用して訓練されたものであり、ここで、前記特徴ベクトルＦ及び前記初期経路速度が前記運転記録によって異なることができる、
    請求項７に記載の媒体。
12. 前記特徴ベクトルＦ’に最も密接に対応する特徴ベクトルＦ_{ＭＯＤＥＬ}を複数の特徴ベクトルＦから選択し、選択された特徴ベクトルＦ_{ＭＯＤＥＬ}に対応する速度モデルＷ_{ＭＯＤＥＬ}を決定するステップを更に含む、
    請求項７に記載の媒体。
13. 少なくとも一つのハードウェアプロセッサを有する処理システムを備える速度計画システムであって、前記処理システムは、実行可能命令でプログラムされたメモリに接続され、前記実行可能命令が前記処理システムによって実行されるとき、自動運転車での速度計画のための動作を実行し、前記動作は、
    前記自動運転車が自動運転モードで辿る経路上の、前記自動運転車の一つ以上の障害物に基づいてセルのグリッドを生成するステップであって、前記セルのグリッドは前記経路を含む領域を表し、前記セルのグリッドのうちの前記一つ以上の障害物と重ね合うグリッドセルは第１の値に設定され、他のすべてのグリッドセルは第２の値に設定される、ステップと、
    前記セルのグリッドから特徴ベクトルＦ’を生成するステップと、
    前記特徴ベクトルＦ’及び速度モデルＷ_{ＭＯＤＥＬ}を使用して、前記自動運転モードで前記経路に沿って前記自動運転車をナビゲートするための初期速度ｖ_０を決定するステップであって、前記初期速度ｖ _０ は、前記自動運転車が前記グリッドを通過し始める際に、その経路と前記グリッドとが交差する経路セグメントの開始点における走行速度を示すステップと、
    前記自動運転モードで前記経路を前記初期速度ｖ_０で通過するように前記自動運転車をナビゲートするステップと、を含む、システム。
14. 前記セルのグリッドは、前記経路のステーション−タイム（Ｓ−Ｔ）のグラフを含み、前記セルのグリッドのサイズはＫ×Ｐであり、前記特徴ベクトルＦ’の長さはＫ×Ｐである、
    請求項１３に記載のシステム。
15. 前記第１の値は１であり、前記第２の値は０である、
    請求項１３に記載のシステム。
16. 前記初期速度ｖ_０を決定するステップは、特徴ベクトルＦ’^Ｔ（Ｆ’の転置）と速度モデルＷ_{ＭＯＤＥＬ}の点乗積（ｄｏｔ ｐｒｏｄｕｃｔ）を計算するステップを含む、
    請求項１３に記載のシステム。
17. 前記自動運転車はリモートサーバから前記速度モデルＷ_{ＭＯＤＥＬ}を受信し、ここで、前記速度モデルＷ _{ＭＯＤＥＬ} は、前記リモートサーバにより、特徴ベクトルＦと、人間の運転する自動運転車の複数の運転記録のそれぞれからの初期経路速度とを使用して訓練されたものであり、ここで、前記特徴ベクトルＦ及び前記初期経路速度が前記運転記録によって異なることができる、
    請求項１３に記載のシステム。
18. 前記動作は、
    前記特徴ベクトルＦ’に最も密接に対応する特徴ベクトルＦ_{ＭＯＤＥＬ}を複数の特徴ベクトルＦから選択し、選択された特徴ベクトルＦ_{ＭＯＤＥＬ}に対応する速度モデルＷ_{ＭＯＤＥＬ}を決定するステップを更に含む、
    請求項１３に記載のシステム。
19. 速度モデルＷ_{ＭＯＤＥＬ}を決定するコンピュータ実施方法であって、
    ナビゲーションルートの一部である所定の経路に対して、人間の運転する自動運転車の複数の運転記録からＮ個の運転記録を選択するステップであって、前記Ｎ個の記録のそれぞれは、特徴ベクトルＦと、初期速度ｖ_０とを含み、前記初期速度ｖ_０は、前記自動運転車が前記所定の経路を通過し始める際、該経路の開始点における走行速度を表し、前記特徴ベクトルＦは、前記自動運転車が前記所定の経路を通過するときに、前記自動運転車に対する一つ以上の障害物の少なくとも一部を表すステップと、
    前記特徴ベクトルＦと、選択されたＮ個の記録のそれぞれからの初期速度ｖ_０とを用いて速度モデルＷ_{ＭＯＤＥＬ}を訓練するステップと、
    自動運転車の走行区間をナビゲートするときに前記自動運転車の速度計画効率を向上するために、自動運転モードで前記自動運転車によって使用されるための前記速度モデルＷ_{ＭＯＤＥＬ}を用いて少なくとも一つの自動運転車のロジックを更新するステップと、を含む、
    速度モデルＷ_{ＭＯＤＥＬ}を決定するコンピュータ実施方法。
20. 前記速度モデルＷ_{ＭＯＤＥＬ}を訓練するステップは、
    総和Σ_i＝１ ^Ｎ（Ｆ_ｉ ^ＴＷ_{ＭＯＤＥＬ}−ｖ_ｉ）^２を最小化するＷ_{ＭＯＤＥＬ}を決定するステップを含み、式中、Ｆ_ｉ ^Ｔは、Ｆ_ｉの転置、Ｆ_ｉは、選択されたｉ番目の特徴ベクトルであり、
    ｖ_ｉは、前記特徴ベクトルＦ_ｉで表される前記一つ以上の障害物に基づいて、前記自動運転車の人間の運転手によって運転される経路の開始点におけるｉ番目の初期速度ｖ_０である、
    請求項１９に記載の方法。
21. 特徴ベクトルＦ_{ＭＯＤＥＬ}を前記速度モデルＷ_{ＭＯＤＥＬ}と関連付けることを更に含み、ここで、前記特徴ベクトルＦ_{ＭＯＤＥＬ}は、前記Ｎ個の運転記録における特徴ベクトルＦと同一である、
    請求項１９に記載の方法。
22. コンピュータプログラムであって、
    前記コンピュータプログラムがプロセッサにより実行されると、請求項１ないし請求項６のいずれか一項に記載の方法を実現させるコンピュータプログラム。
23. コンピュータプログラムであって、
    前記コンピュータプログラムがプロセッサにより実行されると、請求項１９ないし請求項２１のいずれか一項に記載の方法を実現させるコンピュータプログラム。